新媒体 AI 自动化

项目第一周，没有 PRD，没有用户故事。我去找运营同事聊需求——一个人，对接 8 个平台，每周要发 70+ 条内容。

我问她最痛的地方在哪。她甩给我四句话：

"素材这块还没建归档流程，找到能用的就先用着。"

"选题灵感大多去知乎现刷现拿，没有自己的选题库可以复用。"

"写哪条基本看当下状态，没有提前排期。"

"相邻业务线给过来的素材输入基本是断的。"

这就是需求文档。

运营同事 1 人，负责 8 个平台：知乎、微博、小红书、今日头条、抖音 / 视频号，外加两个垂类站。每周要产出 70+ 条内容，跨问答 / 文章 / 海报 / 视频四种形态。

改造前：

资讯收集 30 min   +   文案 20 min   +   适配 10 min   =   60 min / 条
                                                          ↓
                                              70 条 = 70 小时 / 周（一人扛）

第一步不是"我能用 AI 做什么酷炫的东西"，而是把这个岗位拆成 5 个具体的"工人"：资讯采集工、选题策划、文案工、格式适配工、素材归档员（最后这个岗位之前不存在——所以"还没建归档流程"）。

拆到动作粒度，架构就自己浮出来了。

整套架构 4 层。这是这页的承重墙——同一套底层，4 条产线从它分流出去：

3 条主产线 + 1 条扩展产线：

| 产线 | 输入 | 输出 | 提效 | 关键决策 | |---|---|---|---|---| | 文字工作流 | 6 个采集源 + 42 知识点 | 问答（150-300 字）/ 文章（800-1500 字） | 60 → 10 min（↓ 84.2%） | 双数据源（详见方法论） | | 海报图文 | 110+ 历史素材分类 | AI 生图海报 | 模板沉淀中 | AI 生图合规手册 + 5 条工作路径 | | 政策短视频 | 政策资讯采集 → 脚本 → 工单 | 60 秒视频 | 30 → 5 min（↑ 6 倍） | 三节点解耦：云端 ArkClaw + 飞书工单 + 本地 Worker |

动漫剧场作为"零额外基建"的扩展证明——5 月 13 日新上线，复用同一套数据源 + 中台 + 飞书工单，只新增 2 个任务和 1 张飞书表。30 → 15 min，↓ 50%。这一条产线的接入，验证了底层架构的复用能力。

关键工具选型

11 个核心任务为什么选 ArkClaw 而不是其他工具？

• 不选 Coze：可视化拖拽很直观，但搜索节点结果不稳定（同一查询今天 5 条政策、明天 3 条博客、后天 0 条）；模板化提示词把"政策文号"这种细节搞丢
• 不选纯 Python：开发周期长不是问题，问题是交付后的维护权移交——代码一旦交给非技术运营，没人敢动
• 选 ArkClaw：搜索可控、任务可编排、提示词运营能直接改。两个硬约束（提示词 2000 字上限 + 任务名 50 字上限）反过来塑造了整套提示词的"紧凑式"风格

技术栈：飞书多维表 · ArkClaw · GLM-4.7 · 豆包 TTS · 自研 Python（~2500 行）· Pillow · ffmpeg。

整套东西 60% 是业务理解 / 30% 是架构取舍 / 10% 才是 AI——这个比例如果记反了，项目多半做不成。

外部资讯线 + 内部知识线，是内容型 AI 产品的灵魂结构。单线方案在不同维度上各自有致命短板：

• 只有资讯线 → 内容跟公司产品脱节
• 只有知识线 → 没有引流能力，干巴巴像产品说明书

双线并行让"时效性"和"覆盖面"由两条独立数据线分别负责。这套结构在 4 条产线里全部复用成立，后来又被搬到电商内容、HR 招聘等迁移场景。

方法详情 → /methods/dual-source

6 数据源 / 12 ArkClaw 任务 / 42 产品知识点 / 4 张飞书表 / 4 条生产线

成本拆解（月度）：

ArkClaw 会员       ¥236
AI Token          ≈¥200
即梦会员           ¥199
豆包 TTS          ≈¥28
创客贴            ≈¥27
─────────────────────
合计              ≈¥690

运营同事的验收原话：

"完全够，可以用。"

不是一个技术人会满意的评价。没有"惊艳"、没有"超出预期"。就"完全够，可以用"。

但我觉得这是听过最好的反馈——因为这意味着技术真的进了运营的日常工作流，不是 demo、不是 PR 稿。

一、一套底层架构 + 多条产线复用，比每条独立工程强 10 倍。

文字工作流 4 月 17 日上线，是最重的一条——花了一周搭。但第二条（海报）只花了一周做合规手册，第三条（政策视频）只花两周做本地合成器，第四条（动漫剧场）只用 2 天加 2 个任务。每多一条产线，边际成本指数级递减。如果一开始就奔着"独立项目独立做"，4 条产线就是 4 个工程，工时和成本完全不在同一个量级。复用率拉满，是这种工程的隐藏倍率。

二、AI 拍 AI 擅长的，剩下交给真实录屏 / 真实数据。

动漫剧场最有意思的一个决策：内容拆成"痛点动漫（AI 生成）+ 解决方案（实拍录屏）"。痛点是抽象的、夸张的、能容忍 AI 的不真实；产品演示是具体的、需要精准的、不能容忍 AI 的偏差。让 AI 做它擅长的事、用真实拍它不擅长的事——这个分工同时解了内容质量和版权合规两个问题。政策短视频里也是同样的思路：截图保留人工，因为 LLM 截图不稳定。

三、60% 业务理解 / 30% 架构取舍 / 10% AI，记反了项目就完蛋。

整套东西真正难的不是调用 LLM——LLM 调用今天就是几行代码。难的是：把"运营 1 个人 8 个平台 70 条"的问题翻译成 5 个具体动作；判断哪些动作能用 AI 替代、哪些必须保留人工；选 ArkClaw 而非 Coze 的工具决策；为什么是双数据源而不是单线。这些都是 AI 之外的工程判断，占了 90% 的项目重量。把这个比例记反——以为 AI 是项目的 60%——做出来的多半是个跑不动的 demo。

完整复盘还有 17 条方法论（多选字段为什么不能用单选状态、四层去重为什么不能一层、ArkClaw 的 2000 字上限怎么塑造了提示词风格、政策视频的三节点解耦为什么必须本地合成）——这里只摘了跨 4 条产线最有信号的部分。